Polymorfa elektroniska enheter baserade på oxidgränsytor för neuromorf beräkning

Varför denna lilla enhet är viktig för framtidens AI

När våra telefoner, bilar och datacenter blir smartare ökar också deras energiförbrukning kraftigt. Mycket av denna kostnad beror inte på själva beräkningen, utan på att data hela tiden flyttas mellan separata chip som lagrar information och chip som bearbetar den. Denna artikel beskriver en ny typ av mikroskopisk enhet, tillverkad av oxidmaterial, som kan spela flera elektroniska roller samtidigt och till och med efterlikna vissa aspekter av hur hjärnceller lär sig. Sådan formskiftande hårdvara kan bidra till att bygga framtida artificiella intelligenssystem som är betydligt mer kompakta och energieffektiva än dagens datorer.

En liten byggsten, många personligheter

Forskarna arbetar med en särskild gränsyta mellan två oxider, lanthanumaluminat (LaAlO3) och strontiumtitanat (SrTiO3). Där dessa kristaller möts bildas ett extremt tunt, rörligt skikt av elektroner som beter sig som en ledande nanotråd. Genom att noggrant mönstra denna gränsyta och lägga till två sidoelektroder skapar gruppen en enda nanoskalig struktur som kan omkopplas i realtid för att fungera som tre olika grundläggande elektroniska element. Med en kopplingskonfiguration beter den sig som en vanlig transistor, i en annan som en memristor (en resistor med minne) och i en tredje som en memkapacitor (en kondensator med minne). Alla tre lägen fungerar i rumstemperatur på en yta om ungefär en kvadratmikrometer — flera gånger mindre och enklare än att använda tre separata enheter.

Hur formskiftandet fungerar

I transistorläget pressar spänningar som appliceras på sidogallren elektroner in i eller ut ur LaAlO3/SrTiO3‑nanotråden, vilket höjer eller sänker kanalströmmen på samma sätt som en vanlig fälteffekttransistor. För att växla till memristor‑beteende lämnas sidogallren elektriskt flytande i stället för bundna till en fast potential. Laddningar kan då långsamt tunnelera till och från dessa flytande regioner, så kanalens resistans blir beroende av dess senaste spänningshistoria och uppvisar en karakteristisk hysteres. För memkapacitor‑drift används samma gallstruktur för att lagra och frigöra laddning på ett kontrollerat, historikberoende sätt, vilket leder till två distinkta kapacitanslägen med en tydlig hysteres i kapacitans–spännings‑sambandet. I alla tre fallen är den avgörande fysiken den kontrollerade fångsten och frigöringen av laddning nära gränsytan, snarare än atomrörelser eller defekter, vilket gör beteendet stabilt och repeterbart.

Från grundläggande element till hjärnliknande kretsar

Eftersom samma fysiska enhet kan fungera som transistor, memristor eller memkapacitor beroende på extern koppling blir den en flexibel byggsten för neuromorfa — hjärninspirerade — kretsar. Författarna kopplar först en transistor till en memkapacitor för att bygga ett enkelt element för "reservoir computing". En kort inmatningspuls styr transistorn, som i sin tur laddar memkapacitorn. Utgångsspänningen avtar sedan långsamt och bevarar ett avtagande minne av senaste inmatningar. Detta icke‑linjära, korttidsminne är precis vad reservoir computing behöver för uppgifter som mönsterigenkänning. Med datorgenererade siffrbilder visar teamet att en matris av dessa element kan skilja olika siffror baserat på de tidsberoende spänningsspår de producerar.

Inlärning, logik och beslut på samma plattform

Samma oxidelement kan också omkopplas till kretsar som efterliknar synapser — förbindelser mellan neuroner — och logiska grindar, de grundläggande enheterna i digital beräkning. I en konfiguration med en transistor och en memristor ger korta spänningspikar upphov till kortvariga förändringar i strömmen, medan upprepade eller starkare pulser ger långvariga förändringar, vilket speglar hur biologiska synapser förstärks vid upprepad användning. Med två transistorer och en memristor implementerar författarna OR‑ och AND‑logik där det logiska resultatet lagras direkt i memristorns ledningsförmåga långt efter att insignalerna har försvunnit. Genom att ändra hur driftspänningen sveps kan samma krets omkonfigureras mellan OR‑liknande och AND‑liknande beteende, vilket möjliggör en form av synaptisk logik som kan anpassa sina regler löpande. Som ett konceptbevis applicerar de kretsen på pulsmönster från hjärtfrekvens och blodtryck och använder den för att efterlikna ett enkelt beslutsflöde för hälsomonitorering som skiljer friska individer från hjärtsjuka patienter.

Vad detta betyder för vardagsteknik

För en icke‑specialist är huvudbudskapet att författarna har kondenserat flera typer av elektroniskt beteende — och till och med grundläggande inlärnings‑ och beslutsfunktioner — i en enda, stabil, kiselskompatibel oxidelement. Detta minskar kretstyta, minskar kabeldragning och kan sänka energianvändningen, samtidigt som det stödjer avancerad AI‑liknande bearbetning som mönsterigenkänning och adaptiv logik. Om dessa polymorfa oxidelement skalas upp kan de bli grunden för framtida chip som blandar konventionell beräkning med hjärninspirerade metoder, vilket hjälper datacenter, kantenheter och sensorer att hantera växande informationsflöden mycket effektivare än dagens enbart transistorbaserade arkitekturer.

Citering: Pradhan, S., Miller, K., Hartmann, F. et al. Oxide interface-based polymorphic electronic devices for neuromorphic computing. Nat Commun 17, 3406 (2026). https://doi.org/10.1038/s41467-026-71642-2

Nyckelord: neuromorf beräkning, memristor, oxidgränsyta, reservoir computing, polymorfa elektronik